AI Brain Fry — новое выгорание разработчиков от нейросетей. Разбираем механику дофамина, переменные подкрепления и физиологию. Узнай, как не сгореть за клавиатурой.
Два часа ночи. Баг кружит по коду уже третий час. Ты знаешь, что пора спать, но руки снова тянутся к клавиатуре, чтобы напечатать очередной промпт в AI-ассистента, сидящего в твоём терминале. Сердце бьётся чуть быстрее, чем должно быть у человека, просто сидящего за столом. Ты говоришь себе то же, что и час назад: «ещё один промпт — и я это починю».
Эта сцена стала привычной для многих, кто пишет код, создаёт контент или проводит дни рядом с генеративными AI-инструментами. Это не похоже на выгорание, которое было раньше. Нет страха, нет пустого взгляда на мигающий курсор в течение двадцати минут. Если что, работа кажется навязчиво увлекательной, почти слишком захватывающей, чтобы остановиться. И именно это делает её достойной пристального изучения.
За последний год разработчики, писатели и исследователи начали описывать специфическую усталость, которая появляется после долгих сессий работы с AI: быстрое наступление, трудность прерывания и странное отличие от медленного выгорания, вызванного традиционной переработкой. Это то, что некоторые разработчики начали называть «AI Brain Fry». Известная фигура в мире кодинга, Стив Йегге, прямо описал притяжение агентных инструментов: каждый успех даёт маленький дофаминовый укол, каждая неудача — всплеск адреналина, и это чередование делает «почти невозможным оторваться».
Отраслевые опросы 2026 года подтверждают анекдоты. Крупный отчёт по инженерному менеджменту показал, что растущая доля разработчиков работает больше часов, чем в прошлом году, хотя AI-инструменты должны были сэкономить им время. Больше всего дополнительных часов набирали не новички, которые ещё учатся пользоваться инструментами. Это были старшие инженеры — те, кто лучше всего понимает технологию и использует её наиболее свободно.
Эта статья смотрит на то, что на самом деле происходит в мозгу и теле во время таких сессий, используя исследования обучения через вознаграждение, режимов подкрепления и физиологии стресса, которые предшествуют генеративному AI на десятилетия. Инструменты новы. Лежащая в основе биология — нет, и понимание этого — первый шаг к работе с этими системами, а не под их контролем.
Чтобы понять, почему работа с AI может быть такой захватывающей, полезно вспомнить, каким был обычный рабочий день до появления этих инструментов. Традиционное программирование, написание текстов или исследования включали длительные усилия с отложенной отдачей. Вы писали функцию, и награда — увидеть, что она действительно работает — могла прийти через минуты или часы, после тестирования, отладки и итераций. Обратная связь была медленной, часто неоднозначной и редко немедленной.
Генеративный AI сокращает этот разрыв. Вы описываете проблему, и в течение секунд получаете предложенное исправление, кусок кода, абзац текста или ответ. Иногда это абсолютно правильно. Иногда близко, но с ошибками. Иногда это провал удивительным или даже эффектным образом. Суть в том, что вы заранее не знаете, какой результат получите, и узнаёте почти мгновенно. Эта комбинация — быстрая обратная связь плюс подлинная неопределённость исхода — не мелкая деталь UX. Она почти точно совпадает с одним из наиболее изученных паттернов в поведенческой психологии.
Нейронаука имеет название для того, что происходит, когда результат отличается от ожидаемого: ошибка предсказания вознаграждения. Концепция восходит к исследованиям дофаминовых нейронов, наиболее известным работам нейробиолога Вольфрама Шульца, который годами записывал активность этих нейронов у животных, когда они учились предвосхищать награды. Шульц и другие исследователи обнаружили, что дофаминовые нейроны не просто срабатывают, когда происходит что-то хорошее. Они срабатывают пропорционально тому, насколько удивителен хороший исход. Награда, которую вы полностью ожидали, почти не двигает эти нейроны. Награда, которая лучше ожидаемой, вызывает всплеск активности. Награда, которая не приходит, когда вы её ожидали, заставляет эти нейроны замолкать — падение ниже нормального базового уровня.
Это важно для работы с AI-промптами, потому что это почти идеальное описание того, что происходит во время сессии отладки. Вы отправляете промпт, не зная, исправит ли он проблему. Если срабатывает, вы получаете всплеск положительного сигнала, именно потому, что не были уверены. Если не срабатывает, происходит падение, за которым почти сразу следует возможность попробовать снова с изменённым промптом, что перезапускает весь цикл. Исследователи дофамина описывают это как основной механизм, лежащий в основе не только обучения, но и притяжения всего: от видеоигр до азартных игр. Генеративные AI-инструменты не изобрели этот механизм. Они просто создали интерфейс, который запускает его десятки или сотни раз в час.
Есть полезное уточнение этой картины от нейробиолога Кента Берриджа, чьи исследования проводят различие между «желанием» и «симпатией». Желание — это мотивационное стремление к чему-то, в основном управляемое дофаминовой сигнализацией. Симпатия — это фактическое удовольствие от получения, которое, по-видимому, проходит через частично отдельные мозговые цепи. Работа Берриджа показывает, что эти две системы могут расходиться: можно интенсивно желать чего-то, не обязательно получая от этого больше удовольствия, когда оно у вас есть. Это различие необычно хорошо ложится на длительные сессии с AI. Стремление отправить ещё один промпт может оставаться сильным, сессия за сессией, даже когда фактическое удовлетворение от получения рабочего ответа начинает казаться более тонким. Желание сохраняется; симпатия не обязательно поспевает.
Существует вторая, тесно связанная часть этой головоломки, которая приходит из гораздо более старой ветви психологии: оперантного обусловливания, изучения того, как последствия формируют поведение. За десятилетия до того, как кто-либо вообразил AI-ассистентов программирования, психолог Б.Ф. Скиннер проводил эксперименты, сравнивая различные паттерны, или «режимы», вознаграждения. Одним из его ключевых открытий было то, что награды, выдаваемые по переменному режиму, то есть когда время или вероятность вознаграждения непредсказуемы, вызывают гораздо более устойчивое, труднопрерываемое поведение, чем предсказуемые награды.
Это механизм, объясняющий, почему игровые автоматы так эффективно удерживают внимание людей. Машина не выдает выигрыш по фиксированному расписанию; она выдает его непредсказуемо, и эта непредсказуемость как раз и заставляет человека тянуть рычаг. Исследователи азартного поведения обнаружили, что такой тип переменного вознаграждения тесно связан с выбросом дофамина в мозге, и что поведение, подкреплённое таким образом, заметно устойчиво к «угасанию» — люди продолжают участвовать даже во время длительных периодов без выигрыша.
Применительно к сессии программирования или написания текста с AI параллель прямая. Будет ли следующий промпт чистым исправлением, частичным исправлением, полностью неверным ответом или чем-то неожиданно блестящим — это нельзя предсказать с уверенностью. Эта неопределенность близко напоминает переменные режимы подкрепления, давно изучаемые в поведенческой психологии. Здесь стоит быть осторожным в том, что наука устанавливает, а что нет. Исследователи задокументировали, что переменное соотношение подкрепления надёжно вызывает устойчивое реагирование в контролируемых экспериментальных условиях, и есть разумные доказательства, связывающие эту структуру вознаграждения с компульсивным вовлечением в цифровые продукты — от социальных сетей до приложений для азартных игр. Являются ли AI-инструменты на основе промптов клинически значимыми аддиктивными паттернами, как вещества — это гораздо более новый и менее решенный вопрос. Что можно сказать с уверенностью на основе текущего понимания — структура вознаграждения AI-инструментов близко напоминает паттерн, известный тем, что вызывает устойчивое, труднопрерываемое поведение. Это существенно другой тезис, чем утверждение, что AI-программирование медицински аддиктивно, и различие важно.
Ментальное притяжение цикла «промпт-исправление» — только половина истории. Другая половина проявляется в теле, и это та часть, которая обычно замечается позже, обычно после того, как гул утих.
Один из наиболее последовательных выводов в исследованиях вознаграждения заключается в том, что интенсивная или повторная активация дофаминовой сигнализации имеет тенденцию вызывать компенсаторное падение. После периода частой, высокоинтенсивной дофаминовой сигнализации, связанная с вознаграждением нейронная активность не просто возвращается к состоянию покоя — она имеет тенденцию опускаться ниже него на некоторое время. Это частично объясняет, почему ночная сессия, которая была острой и энергичной в момент, может на следующее утро сопровождаться тяжёлым, плоским, немотивированным чувством, от которого трудно избавиться, даже после достаточного сна. Люди иногда описывают это как своего рода ментальный туман или апатию, которая делает обычные решения, например, с чего начать работу, необычно трудными. Это согласуется с исследованиями усталости от принятия решений: не неспособность думать, а измеримое снижение качества и скорости принятия решений после периода устойчивой когнитивной нагрузки.
Стоит отметить, что большинство фундаментальных исследований этого эффекта отдачи происходит из общих исследований вознаграждения и дофамина, а не из исследований, специально разработанных для использования AI-инструментов, что всё ещё очень молодая область. Применение к рабочим процессам на основе промптов является разумным расширением хорошо установленных принципов, но ещё не напрямую подтверждённым выводом в этом конкретном контексте.
Другое физическое измерение более знакомо: стресс. Даже когда AI-инструмент номинально выполняет рутинную работу, человек, наблюдающий за ним, всё равно принимает постоянные микро-решения — корректен ли этот вывод, стоит ли ему доверять, нужно ли вмешиваться, сколько времени я уже потратил. Исследователи профессионального стресса давно используют такие показатели, как вариабельность сердечного ритма и кортизол, гормон, выделяемый во время стрессовой реакции организма, чтобы отслеживать, как устойчивая умственная нагрузка влияет на тело. Более низкая вариабельность сердечного ритма, то есть менее здоровые колебания между ударами сердца, является хорошо задокументированным маркером физиологического стресса у работников умственного труда и обычно тесно коррелирует с самооценкой давления и напряжения.
Исследование 2026 года из UC Berkeley изучило сотрудников, использующих AI-инструменты в средней технологической компании, и обнаружило, что доступ к более способным AI-агентам заставлял людей работать в более быстром темпе, над большим количеством задач, в течение более длительных периодов, в основном потому, что инструменты заставляли их чувствовать себя более способными и полномочными. Исследователи отметили этот «интенсифицированный» паттерн работы как правдоподобный путь к когнитивной усталости и ослаблению принятия решений с течением времени, хотя они были осторожны, чтобы представить это как ранний сигнал, а не окончательный вывод, поскольку исследования этой конкретной динамики всё ещё накапливаются. Отдельно отраслевые отчёты в начале 2026 года неоднократно отмечали, что AI-инструменты для программирования, по-видимому, удлиняют рабочие часы, а не сокращают их, причём самые резкие увеличения наблюдаются среди наиболее опытных инженеров — тех, кто лучше всего может использовать инструменты на полной скорости. Более быстрый темп, более длинные часы и постоянные микро-решения, наложенные на уже разогретую систему вознаграждения — физиологически это требовательная комбинация, даже когда ни одна из отдельных задач не кажется трудной изолированно.
Выгорание, как первоначально описано психологом Кристиной Маслах, понималось как медленное накопление: хронический стресс на рабочем месте, который постепенно приводит к истощению, цинизму и чувству сниженной эффективности, обычно в течение месяцев. Возможный вариант, связанный с AI, разделяет эту конечную точку, но, кажется, достигает её более быстрым и другим путём. Вместо изнуряющей усталости от слишком большого количества невознаграждаемых усилий, этот паттерн, по-видимому, возникает от слишком большого вознаграждения, доставленного слишком быстро, слишком часто, с слишком малым восстановлением.
Первый шаг — осознать паттерн. Если ты замечаешь, что не можешь оторваться от промптов, чувствуешь ментальный туман на следующее утро или работаешь дольше, чем планировал, — это не слабость, это биология. Внедри жёсткие ограничения: таймер на 25 минут работы с AI, затем 5 минут отдыха без экрана. Используй физические якоря: вставай, ходи, пей воду. И главное — не пытайся «дожать» баг в 2 ночи. Сон — лучший дебаггер. Твой мозг не предназначен для бесконечного цикла дофаминовых качелей. Дай ему восстановиться — и код будет писаться быстрее и чище.
Хочешь закрепить знания на практике?
Решай задачи на Algolit — интерактивная платформа для обучения
Начать бесплатно →